utworzone przez Redakcja | wrz 22, 2026
Naukowcy przedstawili CoVer – framework GRPO, który rozwiązuje kluczowe problemy samouczących się modeli językowych trenowanych jednocześnie jako generator kodu i autor testów. Metoda wykorzystuje nagrody oparte na przyroście informacji, eliminując błędy permisywności...
utworzone przez Redakcja | sie 10, 2026
Model Hark Handoff osiąga wyniki przewyższające GPT 5.5 w kluczowych benchmarkach, kosztując jedynie 2,37 USD za milion tokenów. Wykorzystuje nieujawniony model bazowy z uczeniem przez wzmacnianie (algorytm GRPO), podobnym do metod trenowania AlphaGo.
utworzone przez Redakcja | sie 3, 2026
Naukowcy opracowali model TAPR, który automatycznie przepisuje prompty użytkowników na zoptymalizowane wersje, poprawiając wyniki dużych modeli językowych. System trenowany jest z użyciem uczenia przez wzmacnianie (GRPO) i osiąga lepsze rezultaty w zadaniach takich...
